論文の概要: Decodable but Not Detectable: A Leakage Fingerprint for Near-OOD Benchmarks

• arxiv url: http://arxiv.org/abs/2607.19393v1
• Date: Thu, 02 Jul 2026 21:31:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 00:46:13.151423
• Title: Decodable but Not Detectable: A Leakage Fingerprint for Near-OOD Benchmarks
• Title（参考訳）: 削除可能だが検出できない - ニアOODベンチマーク用の漏洩指紋
• Abstract要約: ドキュメントのベンチマークでは、摂動に基づくOOD検出器がAUROCの0.326を記録。 汚染を漏れ指紋に蒸留し,52設定の制御電池上で検証する。 コントリビューションは、新しいOODメソッドではなく、修正プロトコルと検証されたリーク診断である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While auditing a perturbation-based OOD detector on a document benchmark, we recorded an AUROC of 0.326 -- well below the 0.5 chance level. The cause is a benchmark leak: the designated "OOD" class is one the model was trained on, so its examples sit inside the in-distribution fit set and the detector is penalized for correctly ranking them as familiar. Deleting the class and retraining 35 models across two domains raises the score to 0.911. We distill the contamination into a leak fingerprint -- near-perfect supervised decodability (AUROC approximately 1) coupled with unsupervised detection collapsed below 0.65 -- and validate it on a controlled battery of 52 settings (20 leaked, 32 clean) across ResNet-50 and ViT-B/16 on CIFAR-10/100, achieving sensitivity 18/20 and specificity 31/32 in embedding space; the matched fit-set-exclusion controls are perfect at 20/20. An in-the-wild audit of 24 standard near/far OOD benchmark pairs fires on exactly one (the intrinsically hard CIFAR-100 vs CIFAR-10 pair) and on no far-OOD pair, confirming specificity and that standard cross-dataset construction is clean. Under the corrected protocol, perturbation signals are decodable but not detectable: a supervised reader recovers the OOD signal (AUROC 0.87-1.00) while no unsupervised detector does, and the perturbation method does not improve on plain Mahalanobis distance. We provide a theoretical account of why and, for transparency, retract an earlier circular correlation. The contributions are a corrected protocol and a validated leak diagnostic, not a new OOD method.
• Abstract（参考訳）: ドキュメントのベンチマークで摂動に基づくOOD検出器を監査している間、AUROCは0.326で、0.5倍の精度で記録した。 その原因はベンチマークのリークであり、指定された"OOD"クラスはトレーニングされたモデルであるので、その例は分布内適合セットの中に置かれ、検出器はそれらをよく知っているものとして正しくランク付けするために罰せられる。 クラスを削除し、2つのドメインで35モデルを再トレーニングすると、スコアは0.911になる。 本研究は,CIFAR-10/100上のResNet-50とViT-B/16をまたいだ52設定(20リーク,32クリーン)の制御バッテリー上で,CIFAR-10/100における感度18/20と特異度31/32を実現し,一致したフィットセット排除制御は20/20で完全である。 24の標準近/遠OODベンチマークペア(本来は硬いCIFAR-100対CIFAR-10対)と遠OODペア(英語版)の中間監査により、特異性を確認し、標準のクロスデータセット構成がクリーンであることが確認された。 調整されたプロトコルでは、摂動信号は復調できるが検出できない: 監視対象の読者は、監視対象の検出器が存在しない間にOOD信号(AUROC 0.87-1.00)を回復し、摂動法は通常のマハラノビス距離では改善しない。 我々は、なぜ、そして、透明性のために、初期の円の相関を取り除いたかの理論的な説明を提供する。 コントリビューションは、新しいOODメソッドではなく、修正プロトコルと検証されたリーク診断である。

関連論文リスト

• Not All Relations Are Equal: Relation-Balanced and Calibrated Graph Learning for Provenance-Based Intrusion Detection [66.44527094471619]
  本稿では,関係バランスの取れたグラフ学習を用いた教師なしフレームワークRECALについて述べる。 3つのDARPA E3データセットにおいて、RECALはF1スコアの99.99%、99.93%、99.99%を達成し、各データセットでそれぞれ0.88、0.82、0.42で最高のベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-09-15T00:31:01Z)
• The Model Proposes, the Code Disposes: A Pre-Registered Ablation of a Verifier-and-Acceptance Stage in an LLM-Orchestrated Offensive-Security Agent [0.0]
  決定的コードによって検証が強制されるモデル検証装置である検証受理段階が、LCMが主導する攻撃セキュリティエージェントが報告するものを変更するかどうかを評価する。 本報告では,15回の探索パイロット,20回の予備登録検定アブレーション,および2回の故意に脆弱な検査対象を40回実施した2×2因子分析を行った。 検証者はシステムが提供するものを変更し、決定論的コードは強制と監査性を提供します。
  論文  参考訳（メタデータ） (2026-09-14T17:13:05Z)
• Level, Sharpness, and Corpus: Why Zero-Shot OOD Detector Rankings Do Not Transfer [36.02174685737611]
  各検出器は、少なくとも1つのドメインで80%$ FPR95 を超え、所望の検出器は、分配データと基礎となる VLM の両方に依存する。 本稿では, ベース検出器, レベル, シャープネスの非補償融合により, 補完的証拠を保存する検出器非依存ラッパーであるComplementary Evidence Guard(CEG)を紹介する。
  論文  参考訳（メタデータ） (2026-07-29T08:00:49Z)
• Self-Poisoning in Adaptive Out-of-Distribution Detection: A Sharp-Threshold Theory and Certified Label-Free Calibration [0.0]
  テストタイム適応型アウト・オブ・ディストリビューション検出器は、未競合ストリームからメモリバンクを更新する。 この適応は証明可能な力学則に従うことを示す。 ドリフト条件下での相補的な静的校正不全に対して、CDCは、テストされたドリフト影響細胞全てにおいて、名目上のFPRラベルのない状態を回復する。
  論文  参考訳（メタデータ） (2026-07-23T09:43:46Z)
• Benchmark AUC Is Not Deployable Reliability: A Cross-Dataset Audit of Off-the-Shelf Features for Surveillance Video Anomaly Detection [0.0]
  自動的な“suspicious behavior”フラグングは、AI監視の柱となる約束だ。 Fieldは標準ビデオ異常検出ベンチマークで高フレームレベルのROC-AUCを報告している。 その仮定が下がったときに何が起こるか監査します。
  論文  参考訳（メタデータ） (2026-06-28T17:08:02Z)
• Two kinds of robustness are not the same: disentangling fault tolerance and low-SNR robustness in multi-domain event detection on real data [0.0]
  イベント検出は、CCSと地熱活動、分散音響センシング(DAS)、産業状況監視のための誘導地震モニタリングの基盤となる。 我々は3つの物理的に異なる実情報源から統合されたバイナリイベント検出ベンチマークを組み立てる。 標準検出器に対するサンプルごとのセンサドロップアウトで訓練した耐故障性検出器の評価を行った。
  論文  参考訳（メタデータ） (2026-06-28T11:14:20Z)
• Amplifying, Not Learning: Fine-Tuned AI Text Detectors Amplify a Pretrained Direction [51.56484100374058]
  テキスト検出器は、事前訓練された典型軸を増幅する。 タスク監督前の生エンコーダでは、3つのアーキテクチャでNYT-vs-HC3 AUROC 0.806/0.944/0.834を達成する。 RoBERTaベースでは、生のプロジェクションは微調整を超えるが、RoBERTaベースでは、フル微調整は、試験された流線型人口の双方で生よりも識別を小さくする。
  論文  参考訳（メタデータ） (2026-05-20T19:08:38Z)
• A Robust Out-of-Distribution Detection Framework via Synergistic Smoothing [14.102179108540161]
  最先端のOOD検出器は敵の攻撃に非常に敏感である。 我々は、新しい、堅牢なポストホックOOD検出器であるROSを提案する。 ROSSはスコア最小化攻撃とスコア最大化攻撃の両方に強く反対する。
  論文  参考訳（メタデータ） (2026-05-05T15:45:38Z)
• Claw-Eval: Toward Trustworthy Evaluation of Autonomous Agents [66.97968363332465]
  エージェントベンチマークの3つのギャップに対処するエンドツーエンド評価スイートであるClaw-Evalを紹介した。 Claw-Evalは3つのグループにまたがる9つのカテゴリにまたがる300の人間検証タスクで構成されている。 すべてのエージェントアクションは、3つの独立したエビデンスチャネルを通じて記録される。
  論文  参考訳（メタデータ） (2026-04-07T17:43:18Z)
• SpatialBench-UC: Uncertainty-Aware Evaluation of Spatial Prompt Following in Text-to-Image Generation [0.0]
  SpaceBench-UCは、ペアの空間関係を再現可能な小さなベンチマークである。 ベンチマークパッケージ、バージョン付きプロンプト、ピン付き構成、サンプルごとのチェッカー出力、レポートテーブルをリリースします。 安定拡散1.5, SD 1.5 BoxDiff, SD 1.4 GLIGENの3つのベースラインについて検討した。
  論文  参考訳（メタデータ） (2026-01-19T23:37:10Z)
• DisCoPatch: Taming Adversarially-driven Batch Statistics for Improved Out-of-Distribution Detection [11.332987462182713]
  バッチ正規化 (BN) で訓練された敵判別器では、実検体と敵検体は独自のバッチ統計を持つ異なる領域を形成する。 本稿では,この機構を利用した教師なし適応変分自動エンコーダフレームワークであるDisCoPatchを紹介する。 DisCoPatchは、公開OOD検出ベンチマークで最先端の結果を達成する。
  論文  参考訳（メタデータ） (2025-01-14T10:49:26Z)
• Robust Fine-tuning of Zero-shot Models via Variance Reduction [56.360865951192324]
  微調整ゼロショットモデルの場合、このデシドラトゥムは細調整モデルで、分布内(ID)と分布外(OOD)の両方で優れる。 トレードオフを伴わずに最適なIDとOODの精度を同時に達成できるサンプルワイズアンサンブル手法を提案する。
  論文  参考訳（メタデータ） (2024-11-11T13:13:39Z)
• Model-free Test Time Adaptation for Out-Of-Distribution Detection [62.49795078366206]
  我々はtextbfDistribution textbfDetection (abbr) のための非パラメトリックテスト時間 textbfAdaptation フレームワークを提案する。 Abbrは、オンラインテストサンプルを使用して、テスト中のモデル適応、データ分散の変更への適応性を向上させる。 複数のOOD検出ベンチマークにおける包括的実験により,abrの有効性を示す。
  論文  参考訳（メタデータ） (2023-11-28T02:00:47Z)
• Conservative Prediction via Data-Driven Confidence Minimization [70.93946578046003]
  機械学習の安全性クリティカルな応用においては、モデルが保守的であることが望ましいことが多い。 本研究では,不確実性データセットに対する信頼性を最小化するデータ駆動信頼性最小化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-08T07:05:36Z)
• Robust Out-of-distribution Detection for Neural Networks [51.19164318924997]
  既存の検出機構は, 分布内およびOOD入力の評価において, 極めて脆弱であることを示す。 ALOE と呼ばれる実効性のあるアルゴリズムを提案する。このアルゴリズムは,逆向きに構築された逆数と外数の両方の例にモデルを公開することにより,堅牢なトレーニングを行う。
  論文  参考訳（メタデータ） (2020-03-21T17:46:28Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。